L'essentiel en 30 secondes
- Le 12 août 2026, Skan AI a annoncé une série C de 63 millions de dollars, co-dirigée par Cathay Innovation et Dell Technologies Capital, pour ancrer les agents IA dans le contexte du travail réel.
- La plateforme de Skan AI a traité 25 milliards de signaux de travail ; elle équipe 7 des 10 plus grandes banques américaines et un quart du Fortune 50, pour plus de 500 millions de dollars de valeur client mesurée selon l'entreprise.
- Chez une grande banque américaine, l'observation de 1 500 professionnels de la finance a mis au jour 37 millions de dollars de friction opérationnelle ; le coût par transaction a baissé de 32 % et les économies annualisées atteignent 18 millions de dollars.
- Le contexte du marché : selon l'étude « GenAI Divide » du MIT, 95 % des pilotes d'IA générative en entreprise ne produisent aucun impact mesurable sur le compte de résultat.
Ce que Skan AI a annoncé le 12 août
Le 12 août 2026, Skan AI a annoncé une levée de fonds de 63 millions de dollars en série C, co-dirigée par Cathay Innovation et Dell Technologies Capital, avec la participation de Citi Ventures, Bloomberg Beta, State Farm Ventures et Wipro Ventures, selon le communiqué officiel. La levée accompagne la mise en disponibilité générale d'une plateforme en trois briques : Skan AI Blueprint pour découvrir et prioriser les opportunités d'IA, Skan AI Intelligence pour piloter les flux de travail, et Skan AI Agents pour l'exécution autonome ancrée dans le contexte métier.
La thèse de l'entreprise tient en une image, formulée par son PDG et cofondateur Avinash Misra : tout le monde est obsédé par l'idée de construire une meilleure voiture ; la plus grande opportunité serait plutôt de construire un meilleur système de navigation. Autrement dit, les modèles d'IA sont déjà puissants ; ce qui manque aux agents, c'est la carte du terrain, la connaissance précise de la façon dont une entreprise exécute réellement ses processus.
Pour produire cette carte, la technologie de Skan AI observe la manière dont les employés et les systèmes accomplissent le travail, puis transforme ces observations en contexte exploitable par des agents. L'entreprise indique avoir traité 25 milliards de signaux de travail, affiche une croissance de 300 % sur un an et une rétention nette de 150 %, et compte parmi ses clients 7 des 10 plus grandes banques américaines ainsi qu'un quart du Fortune 50, détaille Pulse2. La plateforme s'appuie sur NVIDIA AI Enterprise et les microservices NIM, avec un partenariat de recherche avec l'Université du Missouri.
Pourquoi le contexte est-il le vrai goulot des agents IA ?
Parce que les chiffres de l'échec sont massifs et documentés. L'étude « The GenAI Divide: State of AI in Business 2025 » du MIT, publiée à l'été 2025, estimait que 95 % des pilotes d'IA générative en entreprise ne produisent aucun impact mesurable sur le compte de résultat, malgré 30 à 40 milliards de dollars investis, rappelle Forbes. Le diagnostic du MIT ne pointait pas la qualité des modèles ; il pointait le défaut d'intégration dans les flux de travail réels. Un an plus tard, la levée de Skan AI est une réponse d'investisseurs à ce diagnostic précis : le problème n'est pas le moteur, c'est la connaissance du terrain.
Le cas d'usage mis en avant dans le communiqué illustre la méthode. Chez une grande banque américaine, Skan AI a observé 11,2 millions de changements de contexte, ces bascules d'un écran ou d'un outil à l'autre, dans le quotidien de 1 500 professionnels de la finance. L'analyse a identifié 37 millions de dollars de friction opérationnelle. Après refonte des processus concernés, la banque annonce un coût par transaction en baisse de 32 %, un débit de traitement en hausse de 41 % et 18 millions de dollars d'économies annualisées. La matière première de ces gains n'était pas un meilleur modèle ; c'était l'observation fine du travail existant.
La composition du tour de table raconte la même chose. Dell Technologies Capital, Citi Ventures, State Farm Ventures, Bloomberg Beta, Wipro Ventures : des fonds adossés à des industriels, une banque, un assureur, une entreprise de services numériques. Ce sont des acheteurs de terrain, pas seulement des financiers. Skan AI revendique par ailleurs des économies opérationnelles moyennes de 30 à 40 % chez ses clients ; ce chiffre vient du vendeur et mérite la prudence d'usage, mais la direction du marché, elle, est nette : après les modèles, puis les agents, l'argent se déplace vers la couche de contexte.
Qu'est-ce que ça change pour une PME française ?
La leçon transposable tient en une phrase : avant de déployer un agent IA, il faut savoir comment le travail se fait vraiment, pas comment la procédure dit qu'il se fait. Dans une PME de 10 à 100 salariés, l'écart entre les deux est souvent considérable : l'export Excel que personne n'a documenté, la re-saisie entre deux outils qui ne se parlent pas, le contrôle informel qu'un salarié expérimenté fait de tête. Un agent IA branché sur la procédure officielle automatise une fiction ; c'est une des raisons pour lesquelles tant de pilotes ne produisent rien.
Une PME n'a pas besoin d'une plateforme de process intelligence dimensionnée pour des banques du Fortune 50. Elle a besoin de la même discipline, à son échelle. Le tableau ci-dessous résume les trois façons de capturer le contexte du travail réel, du plus simple au plus outillé.
| Méthode | Coût d'entrée | Ce qu'elle révèle | Pour qui |
|---|---|---|---|
| Cartographie manuelle : entretiens et observation des postes | Quelques jours de travail | Les écarts entre procédure officielle et travail réel, les contrôles informels | PME de 10 à 100 salariés, avant tout projet d'automatisation |
| Analyse des journaux des outils existants : CRM, e-mails, ERP, n8n | Faible, les données existent déjà | Les volumes réels, les délais, les goulots mesurables | Entreprises déjà équipées d'outils qui tracent l'activité |
| Process intelligence dédiée : Skan AI, Celonis et équivalents | Projet d'entreprise, sur devis | L'observation continue et exhaustive du travail à l'écran | Grands comptes, milliers d'utilisateurs, processus à fort volume |
Le discernement joue ici franchement : si vos processus tiennent sur un tableau blanc au terme d'une matinée d'entretiens, un outil d'observation automatique est surdimensionné, et le budget est mieux investi dans la refonte elle-même. La ligne trois du tableau n'est pas pour vous, et c'est une bonne nouvelle : le chaînon manquant, à votre échelle, coûte quelques jours de rigueur, pas un abonnement d'entreprise.
C'est le réflexe par lequel commencent mes missions. Avant d'écrire une ligne du CRM Emma du dispositif 3018, le numéro national contre le cyberharcèlement que j'ai co-construit pour e-Enfance, le travail a consisté à comprendre comment 12 écoutants et managers traitent réellement les situations sur 5 canaux ; l'outil a été dessiné sur cette réalité, pas sur un organigramme. Même logique pour la veille automatisée de la Fromagerie Ermitage : suivre d'abord le circuit réel de l'information, l'automatiser ensuite. Un agent IA qui ignore comment le travail se fait vraiment automatise la version théorique du poste ; c'est la version logicielle du classeur de consignes que personne n'ouvre.
La question à poser avant tout projet d'agent IA n'est donc pas « quel modèle choisir ? » mais « qui, chez nous, sait décrire ce qui se passe vraiment entre la commande et la facture ? ». Si personne ne sait répondre, c'est le premier chantier. Et il coûte beaucoup moins de 63 millions.
Questions fréquentes
Qu'est-ce que la process intelligence ?
La process intelligence consiste à observer, via les traces numériques ou la capture du travail à l'écran, la façon dont les processus s'exécutent réellement dans une organisation, pour les comparer à la procédure officielle et cibler les améliorations. Skan AI, qui a levé 63 millions de dollars le 12 août 2026, applique cette approche pour fournir du contexte métier aux agents IA.
Pourquoi 95 % des pilotes d'IA en entreprise échouent-ils ?
Selon l'étude « The GenAI Divide: State of AI in Business 2025 » du MIT, 95 % des pilotes d'IA générative ne produisent aucun impact mesurable sur le compte de résultat, principalement faute d'intégration dans les flux de travail réels, pas à cause de la qualité des modèles. L'étude relève aussi que les outils fournis par des prestataires externes réussissent environ deux fois plus souvent que les développements internes.
Une PME a-t-elle besoin d'un outil de process intelligence ?
Rarement. Ces plateformes sont dimensionnées pour des volumes de grandes entreprises. Une PME obtient l'essentiel du bénéfice avec une cartographie manuelle de ses processus, quelques jours d'entretiens et d'observation, et l'analyse des journaux de ses outils existants, avant tout projet d'agent IA ou d'automatisation.